RSPC: A Benchmark for Modeling Stress and Psychiatric Conditions in Digitally Mediated Relationships using Psychiatrist Annotations
作者: Parmitha Vangapandu, Sai Ganesh Mokkapati, Sathwik Narkedimilli, MSVPJ Sathvik, Timothy Liu, Simon See, Johannes C. Eichstaedt
分类: cs.LG
发布日期: 2026-06-25
💡 一句话要点
提出RSPC基准以解决数字化关系中的心理健康建模问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心理健康建模 人际关系 自然语言处理 情绪障碍 关系压力 数据注释 模型评估
📋 核心要点
- 现有的心理健康建模方法往往忽视人际关系的背景，导致对心理健康状况的理解片面。
- 本文提出了关系压力与精神病学语料库（RSPC），通过Reddit帖子捕捉心理健康困扰及其关系触发因素。
- 实验结果显示，Claude-3-Haiku在障碍分类任务中表现最佳，Macro-F1达到0.538，表明模型在不同任务上的能力差异。
📝 摘要（中文）
在自然语言处理领域，心理健康状况通常被视为孤立现象，缺乏人际关系的背景。本文利用关于远距离关系的Reddit帖子，捕捉心理健康困扰及相关的关系触发因素。我们引入了关系压力与精神病学语料库（RSPC），包含1799条由精神科医生注释的Reddit帖子，涵盖常见的情绪障碍（如焦虑和抑郁）、关系压力触发因素及关系阶段的指示。我们对七种微调的变换器模型和五种大型语言模型进行了基准测试，发现模型家族之间存在明显的任务依赖性差异，Claude-3-Haiku在障碍分类性能上表现最佳（Macro-F1 = 0.538），而GPT-4o在关系触发检测性能上表现最强（Macro-F1 = 0.519），表明模型能力的差异。我们还发现焦虑障碍与慢性关系不确定性之间存在强关联。总体而言，RSPC为考虑关系背景的NLP任务建立了基准，支持从个体中心向上下文感知的心理健康建模转变，捕捉困扰的社会和时间动态。
🔬 方法详解
问题定义：本文旨在解决心理健康建模中缺乏人际关系背景的问题。现有方法往往将心理健康状况视为孤立现象，未能考虑社会和时间动态的影响。
核心思路：通过构建关系压力与精神病学语料库（RSPC），利用Reddit帖子中的数据，捕捉心理健康困扰及其相关的关系触发因素，进而实现更全面的心理健康建模。
技术框架：研究采用了多种微调的变换器模型和大型语言模型，进行多标签障碍分类、关系触发检测和时间阶段预测等任务。整体流程包括数据收集、注释、模型训练和性能评估。
关键创新：RSPC的构建是本研究的核心创新，首次将心理健康与人际关系背景结合，推动了心理健康建模的转变。
关键设计：在模型训练中，采用了多种损失函数和参数设置，以优化模型在不同任务上的表现，确保了模型能够有效捕捉关系背景下的心理健康信息。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Claude-3-Haiku在多标签障碍分类任务中取得了最佳性能，Macro-F1达到0.538，而GPT-4o在关系触发检测任务中表现突出，Macro-F1为0.519。这些结果表明不同模型在特定任务上的能力差异，为未来的研究提供了重要参考。
🎯 应用场景
该研究的潜在应用领域包括心理健康监测、在线咨询服务和社交媒体分析等。通过更好地理解人际关系对心理健康的影响，能够为心理健康干预提供更具针对性的策略，提升心理健康服务的有效性和可及性。
📄 摘要（原文）
In NLP, mental health conditions are often modeled as isolated phenomena, without interpersonal context. We use Reddit posts about long-distance relationships to capture both mental health distress and associated relational triggers. We introduce the Relational Stress and Psychiatry Corpus (RSPC) containing 1,799 Reddit posts annotated by psychiatrists for diagnostic categories, including the most prevalent mood disorders (anxiety and depression), relational stressor triggers, and indications of relationship phase. We benchmark seven fine-tuned transformer models and five large language models across multi-label disorder classification, relational trigger detection, and temporal phase prediction tasks. We find clear task-dependent differences between model families, with Claude-3-Haiku achieving the best disorder classification performance (Macro-F1 = 0.538) and GPT-4o obtaining the strongest relational trigger detection performance (Macro-F1 = 0.519), suggesting distinct model capabilities. We further find strong associations between anxiety disorders and chronic relational uncertainty. Overall, RSPC establishes a benchmark for NLP tasks that consider relational context and supports a shift from individual-centric to context-aware mental health modeling that captures the social and temporal dynamics of distress.